一种基于模糊神经网络的电动汽车电机的可靠性评价方法与流程

本发明涉及电动汽车电机领域，尤其涉及一种基于模糊神经网络的电动汽车电机的可靠性评价方法。

背景技术：

电机是电动汽车的重要组成部分，特别对于新能源电动汽车，其驱动电机要求工作可控性高、稳态精度高、动态性能好，在负载要求、技术性能和工作环境等方面都有着特殊的要求，其可靠性的高低更是直接影响到电动汽车的运行能力和使用年限，用户所反馈的电机使用情况能够为企业提供参考，反馈指标如首次故障时间、故障率、维修时间等数据，都是评价一台电机可靠性的指标，因此由现有用户的反馈来确立评价体系，能够促进企业针对薄弱环节加以改进。

模糊神经网络结合了神经网络算法和模糊理论的知识，汇集了神经网络与模糊理论的优点，集学习、联想、识别、信息处理于一体，具有强大的结构性知识表达能力与强大的学习能力，利用神经网络结构来实现模糊逻辑推理，是近年来人工智能和智能自动化的研究热点，如何利用模糊神经网络对电机可靠性评价是目前亟待解决的问题。

技术实现要素：

本发明的目的是为了解决如何确立电机可靠性的评价指标并利用模糊神经网络对电机可靠性评价的问题，本申请提供了一种基于模糊神经网络的电动汽车电机的可靠性评价方法。

为了解决上述技术问题，本申请采用如下技术方案：

一种基于模糊神经网络的电动汽车电机的可靠性评价方法，包括如下步骤：

a1、确立电动汽车电机可靠性的评价指标；

a2、建立评价指标体系，制定评价标准；

a3、根据所述评价指标与评价标准，基于模糊神经网络模型量化可靠性程度；

a4、根据量化结果判断电动汽车电机电机可靠性。

优选地，步骤a1中，所述评价指标包括h个指标，其中h是大于等于1的正整数。

优选地，步骤a2中，所述评价指标中每一指标对应m个评价标准，所述评价指标与所述评价等级标准构成可靠性评价标准值矩阵(y＝h*m)，其中，矩阵中的第yij项表示第i项评价因子在第j个评价标准上的评价标准值，其中m是大于等于1的正整数。

优选地，步骤a3中通过模型量化可靠性程度，包括如下步骤：

a31、根据所述评价指标体系确定相对隶属度矩阵；

a32、根据相对隶属度矩阵计算模糊神经网络的学习样本；

a33、将学习样本带入到模糊神经网络模型中进行训练，初始化模糊神经网络，并对模糊神经网络模型进行精度训练；

a34、将待评价的可靠性指标数据，代入到达到预定精度的模糊神经网络模型中进行计算，得到评价结果。

优选地，设定第1级别评价标准值对于模糊集的相对隶属度为pi1＝1，第m级别评价标准值对于模糊集的相对隶属度为pim＝0，介于中间的pij用线性内插法进行计算，所得元素为评价标准指标，所有元素构成评价标准指标相对隶属度矩阵。

优选地，步骤a2中，设w组待检测数据中每一组数据包括h个评价指标，则构成(w*h)个元素的检测样本值矩阵(x)，其中，矩阵中的第xij项表示第j组检测数据的第i项评价因子值，其中w是大于等于1的正整数。

优选地，将所述评价因子值与所述评价标准值进行比较，得到评价等级集合的相对隶属度，构成相对隶属度矩阵(r)。

优选地，根据所述评价因子的不同，设置不同所述评价因子与同一个评价标准值的比较结果为不同的相对隶属度(r)，并采用线性内插法计算其余情况下的相对隶属度。

优选地，所述步骤a3中，采用内插法得到学习样本和检验样本，其中：表示内插样本k的第i项评价因子在第j个评价等级上的相对隶属度，tk表示内插样本k对应的标准级别值，1≤i≤h，1≤j≤m；tk＝j+q/n，其中1≤j≤n-1，n的取值根据插值样本的需要进行调整。

优选地，将所述学习样本代入程序中进行模糊神经网络的初始化，得到训练样本的输出矩阵。

优选地，设定各评价因子的可靠性等级标准对照表，采用各等级标准值作为精度检验的检验样本，对训练样本的输出矩阵按照下式进行归一化处理，其中，i＝1，2...m1，j＝1，2...m2，xij表示第i项评价因子在第j个评价等级上的值，表示归一化处理后的值，m1表示评价因子的个数，m2表示评价等级的个数；根据检验样本的目标输出与经过神经网络计算后的实际输出的比较结果，判断此神经网络模型是否达到预期训练精度。

优选地，将待评价数据代入所述达到预期训练精度的计算机程序中进行评价即可得到结果。

与现有技术相比，本发明的有益效果为：

本发明的一种基于模糊神经网络的电动汽车电机的可靠性评价方法，通过建立可靠性的评价指标体系，根据所述评价指标与评价标准，基于模糊神经网络量化可靠性程度，根据量化结果判断电动汽车电机电机可靠性，实现评价指标数据化。

进一步地，采用相对隶属度矩阵，用来描述指标的可靠性程度，把各个可靠性指标数据转换为指标对于评价等级集合的相对隶属度，把抽象的评价内容转变为数据，使其能够代入数学模型中进行计算。

进一步地，通过相对隶属度矩阵计算模糊神经网络的学习样本，运用内插法提高训练精度，使用学习样本对神经网络模型进行训练。

进一步地，把检验样本代入学习后的模型进行计算，将检验样本的目标输出与经过神经网络计算后的实际输出进行误差分析，判断经过学习样本训练后的神经网络模型的结果误差是否符合要求。

进一步地，运用模糊神经网络模型对电动汽车电机可靠性进行评价，能解决大样本数量条件下的可靠性评价问题，为设计部门进一步提高电机的可靠性水平提供依据，建立更为完善的维修制度。

附图说明

图1是本发明实施例可靠性评价方法的流程示意图；

图2是本发明实施例通过模型量化可靠性程度的流程示意图。

具体实施方式

下面结合具体实施方式并对照附图对本发明做进一步详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

模糊神经网络结合了神经网络算法和模糊理论的知识，汇集了神经网络与模糊理论的优点，集学习、联想、识别、信息处理于一体，具有强大的结构性知识表达能力与强大的学习能力，利用神经网络结构来实现模糊逻辑推理，是近年来人工智能和智能自动化的研究热点。

模糊神经网络有如下三种形式：

1.逻辑模糊神经网络

2.算术模糊神经网络

3.混合模糊神经网络

神经网络具有多种的特征和优势：

1.并行分布式信息处理。神经网络具有并行结构，可以进行并行数据处理。这种并行机制可以解决控制系统中大规模实时计算问题，并且并行计算中的冗余性可以使控制系统具有很强的容错性和鲁棒性。

2.神经网络是本质非线性系统。理论上，神经网络能以任意精度实现任意非线性映射，网络还可以实现较其他方法更优越的系统建模。

3.学习和自适应能力。神经网络是基于所研究系统过去的数据记录来进行训练的。当提供给网络的输入不包含在训练集中时，一个经过训练的网络具有归纳能力。神经网络也可以在线进行自适应调节。

4.多变量系统。神经网络可以处理很多输入信号，并具有很多输出量，所以很容易用于多变量系统。

运用模糊神经网络模型对电动汽车电机可靠性进行评价，能解决大样本数量条件下的可靠性评价问题，为设计部门进一步提高电机的可靠性水平提供依据，建立更为完善的维修制度。

具体实施方式一

本实施例的基于模糊神经网络的新能源电动汽车电机的可靠性评价方法，包括如下步骤：

a1、确立电动汽车电机可靠性的评价指标；

a2、建立评价指标体系，制定评价标准；

a3、根据所述评价指标与评价标准，基于模糊神经网络模型量化可靠性程度；

a4、根据量化结果判断电动汽车电机电机可靠性。

在步骤a1中，设在所述评价指标包括h个指标，每个指标对应为一项评价因子，其中h是大于等于1的正整数。

在步骤a2中，设所述l个评价指标中每一指标对应m个评价标准，所述评价指标与所述评价标准构成可靠性评价标准值矩阵y＝h*m，其中，矩阵中的第yij项表示第i项评价因子在第j个评价等级上的评价标准值，其中m是大于等于1的正整数。

在步骤a3中，通过模型量化可靠性程度，包括如下步骤：

a31、根据所述评价指标体系确定相对隶属度矩阵；

a32、根据相对隶属度矩阵计算模糊神经网络的学习样本；

a33、将学习样本带入到模糊神经网络模型中进行训练，初始化模糊神经网络，并对模糊神经网络模型进行精度训练；

a34、将待评价的可靠性指标数据，代入到达到预定精度的模糊神经网络模型中进行计算，得到评价结果。

在步骤a31中，设定第1级别评价标准值对于模糊集的相对隶属度为pi1＝1，第m级别评价标准值对于模糊集的相对隶属度为pim＝0，介于中间级别评价标准值对于模糊集的相对隶属度pij用线性内插法进行计算：

pij＝(yij-yi1)/(yim-yi1)(1)

所有元素构成评价标准指标相对隶属度矩阵p。

设有w组待检测数据，每一组数据包括h个评价指标，则构成包含h*w个元素的检测样本值矩阵x，其中，矩阵中的第xij项表示第j组检测数据的第i项评价因子值，其中w是大于等于1的正整数。

把检测样本值矩阵x中的评价因子值与可靠性评价标准值矩阵中的评价标准值进行比较，得到评价等级集合的相对隶属度矩阵r；

对于数值越大，可靠度越高的评价因子，评价等级集合的相对隶属度为：

当xij≤yi1时，rij＝0，

当xij≥yim时，rij＝1；

对于数值越大，可靠度越低的评价因子，则与之相反，评价等级集合的相对隶属度为：

当xij≥yi1时，rij＝0，

当xij≤yim时，rij＝1；

其余情况下的xij用线性内插法求解评价等级集合的相对隶属度：

rij＝(xij-yi1)/(yim-yi1)(2)

在步骤a32中，在标准评价指标相对隶属度矩阵p中，采用内插法生成更多的样本，以提高训练精度。

根据y矩阵的元素计算出来内插样本，带*号的y值是内插法计算出来的新的样本数据，定义内插样本k的第i项评价因子在第j个评价等级上的相对隶属度为定义内插样本k对应的标准级别值为tk，则：

其中1≤i≤h，1≤j≤m；

tk＝j+q/n，(4)

其中1≤q≤n-1，n的取值可根据插值样本的需要进行调整。进行内插法后得到更多的样本数据，在这些数据中选取一部分当作神经网络的学习样本，剩下的当作检验样本，其中，学习样本就是模型通过这些样本来学习如何判定各个评价等级，检验样本就是用来检验学习过后的模型运作出来的结果是否符合要求。

在步骤a33中，将上述得到的学习样本代入到计算机程序中进行模糊神经网络的初始化，得到学习样本的输出矩阵。

完成初始化过程后，需要进行精度检验，我们可设定各评价因子的可靠性等级标准对照表，采用各等级的标准值作为精度检验的检验样本，对其进行归一化处理，归一化公式为：

其中xij表示第i项评价因子在第j个评价等级上的值，表示归一化处理后的值，m1表示评价因子的个数，m2表示评价等级的个数。已知检验样本的目标输出，与经过神经网络计算后的实际输出对比，求得误差，若误差满足要求，则此神经网络模型达到了预期的训练精度，即，在内插法得到的新数据中，相应得到了每一个样本的评价因子对应的评价指标值，然后把这些数据和通过神经网络模型运行出来的数据比较，看误差是否符合要求，以此确定神经网络模型的准确性。

在步骤a34中，通过上述步骤，神经网络模型已经可以进行电机的可靠性检验了，将待评价数据(通过此模型进行评价的电机数据)代入上述训练好的程序代码中进行评价即可得到结果。

具体实施方式二

本实施例的基于模糊神经网络的新能源电动汽车电机的可靠性评价方法，

步骤a1中描述电动汽车电机可靠性的评价指标包括如下指标：

1)平均首次故障时间：即对所有样本的首次故障时间取平均值；

2)平均正常运行时间：在考察时间内，电机运行的总时长与故障次数的比值；

本实施例设定考察时间为5年。

3)平均维修时间：对于每一台电机，在考察时间内，计算总维修次数下所有维修时间的总和，并取平均值；

4)维修时间率：维修时间与考察时间内总运行时间的比值；

5)正常运行率：对于每一台电机，将平均正常运行时间与平均维修时间之和即为这台电机的总作业时间，正常运行率即为平均正常运行时间与总作业时间的比值。

设定上述评价指标为本实施例电动汽车电机可靠性的评价指标体系，即5项评价因子。

步骤a31中，确定相对隶属度矩阵p方法如下：

3.1、设可靠性评价等级有4个级别，分别是优秀、良好、一般、很差，则步骤a1中的5项评价因子分别对应的4个评价等级构成了一个5×4的可靠性评价标准值矩阵y，矩阵中的第yij项表示第i项评价因子在第j个评价等级上的评价标准值。

3.2、假设有n组待检测数据，每一组数据包括5个评价因子值，则这n组数据构成了一个5×n的检测样本值矩阵x，矩阵中的第xij项表示第j组检测数据的第i项评价因子值。

3.3、设定第i项评价因子的第1级别评价标准值(优秀)对于模糊集的相对隶属度为pi1＝1，第4级别评价标准值(很差)的相对隶属度为pi4＝0，介于中间的pij用线性内插法进行计算：

pij＝(yij-yi1)/(yi4-yi1)。

这些相对隶属度元素构成评价标准指标相对隶属度矩阵p。

3.4、把矩阵x中的评价因子数据转化为各因子对于评价等级集合的相对隶属度，形成相对隶属度矩阵r。将x中的元素与评价标准指标值相比较，对于数值越大，可靠度越高的评价因子(如平均正常运行时间)，当xij≤yi1时，rij＝0，当xij≥yi4时，rij＝1；对于数值越大，可靠度越低的评价因子(如维修时间率)，则与之相反，当xij≥yi1时，rij＝0，当xij≤yi4时，rij＝1；其余情况下的xij用线性内插法求解：rij＝(xij-yi1)/(yi4-yi1)

步骤a32中、在标准评价指标相对隶属度矩阵p中，采用内插法生成更多的样本，以提高训练精度。

定义内插样本k的第i项评价因子在第j个评价等级上的相对隶属度为定义内插样本k对应的标准级别值为tk，则：

其中1≤i≤5，1≤j≤4；tk＝j+q/n，其中1≤j≤n-1，n的取值可根据插值样本的需要进行调整。进行内插法后得到更多的样本数据，在这些数据中选取一部分当作神经网络的学习样本，剩下的当作检验样本。

步骤a33中，将上述得到的学习样本代入到计算机程序中进行模糊神经网络的初始化，得到训练样本的输出矩阵。

完成初始化过程后，需要进行精度检验，我们可设定各评价因子的可靠性等级标准对照表(如平均维修时间率不大于0.01即为优秀)，采用各等级的标准值作为精度检验的检验样本，对其进行归一化处理，归一化公式为：

其中xij表示第i项评价因子在第j个评价等级上的值，表示归一化处理后的值，m1表示评价因子的个数，m2表示评价等级的个数。已知检验样本的目标输出，与经过神经网络计算后的实际输出对比，求得误差，若误差满足要求，则此模糊神经网络模型达到了预期的训练精度。

步骤a34中、通过上述步骤，神经网络模型已经可以进行电机的可靠性检验了，将待评价数据代入上述训练好的计算机程序中进行评价即可得到结果。

具体实施方式三

本实施例的基于模糊神经网络的新能源电动汽车电机的可靠性评价方法，其流程图如图1所示。包括：

s1、确立电动汽车电机可靠性的评价指标；

s2、建立评价指标体系，制定评价标准；

s3、根据所述评价指标与评价标准，基于模糊神经网络模型量化可靠性程度；

s4、根据量化结果判断电动汽车电机电机可靠性。

具体实施方式四

本实施例的基于模糊神经网络的新能源电动汽车电机的可靠性评价方法，通过模型量化可靠性程度的流程图如图2所示。包括：

s11、初始化程序；

s12、计算隶属度矩阵，包括可靠性评价标准值矩阵、评价标准指标相对隶属度矩阵、检测样本值矩阵、评价等级集合的相对隶属度矩阵；

s13、模糊神经网络模型初始化后进行训练；

s14、判断模糊神经网络模型是否达到预期的训练精度，否，转s13，是，继续下一步；

s15、保存模糊神经网络模型；

s16、代入待检测数据到模糊神经网络模型中，调用模糊神经网络模型；

s17、得到评价结果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。